可解释机器学习技术用于解析和量化零价铁强化厌氧消化过程中的物质-微生物-甲烷生成路径
《Journal of Environmental Management》:Explainable machine learning deciphers and quantifies material–microbe–methane pathways in zero-valent iron–enhanced anaerobic digestion
【字体:
大
中
小
】
时间:2026年07月08日
来源:Journal of Environmental Management 9.2
编辑推荐:
欧泽宇|徐辉|张艳阳|张庆然|吕璐|张伟明|潘炳才|华明
中国南京210023,南京大学环境学院,水污染控制与绿色资源回收国家重点实验室
摘要
零价铁已被广泛用于提升厌氧消化过程中的甲烷回收率,但零价铁的材料特性和操作条件如何通过微生物群落影响甲烷产出这一机制目前尚
欧泽宇|徐辉|张艳阳|张庆然|吕璐|张伟明|潘炳才|华明
中国南京210023,南京大学环境学院,水污染控制与绿色资源回收国家重点实验室
摘要
零价铁已被广泛用于提升厌氧消化过程中的甲烷回收率,但零价铁的材料特性和操作条件如何通过微生物群落影响甲烷产出这一机制目前尚缺乏定量研究,这限制了在不同底物条件下对零价铁的合理选择与优化。本研究构建了一个跨研究的数据库,整合了零价铁材料参数、操作参数、细菌与古菌群落特征以及累计甲烷产量数据,并开发了一种基于路径意识的机器学习框架,用以解析材料/操作条件–微生物–甲烷产出之间的作用传递机制与条件依赖关系。在七种算法中,XGBoost的表现最佳(测试集R2值为0.916,外部验证集R2值为0.817)。模型分析表明,甲基氧化型甲烷菌、氢氧化型甲烷菌、Synergistetes类群以及变形菌门是影响累计甲烷产量的关键微生物节点。进一步的中介效应分析与路径分解显示,可控材料与操作因素的总效应中约有72%是通过微生物群组传递的,其中零价铁的比表面积和初始COD主要通过改变细菌共生模块及甲烷生成途径的平衡来影响甲烷产量。这一传递机制解释了零价铁优化存在的底物依赖性:纳米级、高比表面积的材料更适用于简单合成底物,而亚毫米级、高剂量的零价铁则更适合复杂原料。所建立的二级模型使得在缺乏测序数据时也能仅通过可控输入参数进行情景预测。本研究将基于零价铁的厌氧消化优化从经验性投加方式推进到了基于机制的材料选择与过程调控阶段,同时为理解工程生态系统中的材料–微生物–功能关系提供了可迁移的分析框架。
引言
在全球碳中和目标的背景下,能够同时实现环境修复与资源回收的技术至关重要(Alengebawy等人,2024)。厌氧消化是一种将污泥、食物垃圾和高浓度废水等有机废物转化为富含甲烷的生物气体的生物过程,是可持续废物管理与可再生能源生产的核心技术(Mao等人,2015)。然而,厌氧消化并非单一反应步骤,而是一个由水解、酸化、共生转化和甲烷生成等多阶段微生物过程构成的复杂系统(Pan等人,2021;Zhang等人,2023a)。底物性质、操作条件以及外部因素,包括材料添加剂和新兴污染物干扰,都会影响微生物群落结构与代谢相互作用,进而影响工艺稳定性和甲烷产量(Long等人,2021;Srivastava等人,2026)。因此,提升厌氧消化性能不仅需要优化单个工艺参数,还需理解底物、操作条件、外部因素与微生物过程之间的多变量耦合关系。
在此背景下,传统的实验方法与过程建模手段已不足以解决复杂厌氧消化系统中的多变量耦合问题。单因素实验虽能提供有价值的机制依据,但其局限性在于每次只能调整少量变量,难以覆盖由底物性质、操作条件、材料特性及微生物状态共同构成的组合空间,也无法在新场景下判断变量的协同或拮抗效应(He等人,2022)。传统的动力学与过程模型虽能描述特定反应器内的工艺变化,但通常需要预先定义的反应路径、动力学参数和简化边界条件,难以体现材料干预、微生物群落演变与甲烷生成之间的潜在非线性关系(Donoso-Bravo等人,2011;Weinrich和Nelles,2021)。相比之下,大数据与机器学习技术能够从跨实验、跨条件的数据集中学习非线性关系与交互效应,已成为预测性能、识别关键因素以及优化复杂厌氧消化系统运行的重要工具(Swami等人,2025;Cruz等人,2022)。
近年来,机器学习已被应用于多种厌氧消化场景下的性能预测与关键因素识别,包括常规运行优化、外部干扰评估以及添加材料的系统研究(Wang等人,2021)。以往研究表明,随机森林、极端梯度提升算法、深度学习以及自动化机器学习方法均能根据底物性质、操作条件以及材料或污染物特征预测甲烷产量与工艺响应,同时识别出影响模型输出的关键输入变量(Xu等人,2021,2022)。随着模型应用逐渐从单纯预测转向过程理解,一些研究还结合特征重要性分析、SHapley加性解释方法或优化算法,对模型结果进行可视化处理并优化工艺参数(Gupta等人,2023;Zhang等人,2023b)。对代表性机器学习辅助厌氧消化研究及添加材料厌氧消化研究的比较(表S4)表明,这些研究证明了机器学习能够从多源数据中提取复杂的变量关系,为厌氧消化性能预测、关键因素筛选与工艺优化提供支持,同时也显示出该领域正逐步从追求预测精度转向关注模型可解释性及过程机制理解。
然而,对于由微生物驱动的复杂系统而言,仅识别关键输入变量仍不足以解释系统的整体响应。底物性质、操作条件及外部材料对甲烷生成的影响通常是通过微生物群落结构、功能群及代谢途径来实现的(Cokro等人,2026)。因此,现有模型的一个主要局限在于,它们大多仅停留在输入变量与甲烷产量之间的统计关联层面(Zhu等人,2023)。即便使用SHAP或类似的可解释性方法,也只能指出哪些变量对预测贡献更大,却难以解释这些变量是如何通过微生物过程影响甲烷生成的(Schroer和Just,2023)。换言之,材料参数、操作条件、微生物群落特征与甲烷功能输出之间尚未在统一的框架中被有效关联起来(Li等人,2022)。更广泛地说,揭示变量间的非对称效应、动态溢出效应及条件依赖关系,有助于解释外部干扰如何在系统各组分间传递并最终影响系统整体输出(Dimitriadis等人,2024,2025)。但在厌氧消化系统中,由于缺乏明确的微生物中介层,机器学习结果仍难以从变量重要性排序过渡到机制性路径解释,从而降低了其在材料选择与特定场景优化中的应用价值。
在各类用于提升厌氧消化效率的材料中,零价铁因其低成本、易获取、还原能力强以及导电性优异等优势而备受关注(He等人,2022)。零价铁可通过多种途径参与厌氧消化反应,包括电子供给、促进物种间电子转移、调节局部氧化还原环境以及缓冲酸化过程(Li等人,2024;Barua和Dhar,2017)。这些作用并非相互独立,往往与微生物群落结构及代谢相互作用共同作用,使得零价铁对甲烷生成的影响呈现出明显的多路径耦合特征(You等人,2023)。以往研究表明,适当添加零价铁可提升系统稳定性与甲烷产量,但其促进作用并非线性,而是受剂量、颗粒大小、比表面积、表面性质、底物类型及操作条件等多种因素的共同调控(Zhong等人,2022a;Cerrillo等人,2025)。当零价铁添加过量或与系统条件不匹配时,铁腐蚀、局部pH值波动、铁离子释放以及中间产物积累都可能抑制敏感微生物群体,进而降低甲烷产量(Yang等人,2013;Su等人,2024)。因此,基于零价铁的厌氧消化优化不仅要评估其整体提升效果,还需明确零价铁在不同条件下通过何种路径及适用范围来促进或抑制甲烷生成。
基于上述思路,本研究从系统层面探讨了零价铁在厌氧消化中的作用。通过整合多项研究的数据,我们构建了一个包含零价铁材料特性、操作参数、细菌与古菌群落组成以及累计甲烷产量信息的跨研究数据库,进而运用可解释机器学习方法分析材料、微生物与甲烷生成之间的关系。本研究重点围绕三个方面展开:确定控制甲烷生成的关键材料参数、操作条件及微生物群组;评估可控因素是否主要通过调控微生物群落来影响甲烷产量;以及在缺乏微生物测序数据的情况下,能否仅通过材料与操作参数有效预测甲烷产量并指导零价铁的添加量。为实现这些目标,我们采用了XGBoost建模、SHAP解释方法、特征消除分析及中介效应分析,识别关键驱动因素及其在路径层面的作用,并通过独立数据集对模型进行了验证。本研究旨在在提升预测精度的同时增强模型可解释性,为零价铁在厌氧消化工程中的优化应用提供理论支撑与决策依据。
数据收集与特征选择
我们通过整合已发表的关于零价铁强化厌氧消化的实验数据,构建了一个跨研究数据库。在Web of Science和PubMed中检索了2017年至2025年间发表的相关研究,经过统一标准筛选后,共保留了28篇论文的数据,共计120个独立实验。其中,23篇论文中的100个实验被用于模型构建,另外5篇论文中的20个实验也参与了分析。
甲烷预测模型的构建与评估
在建立模型构建与筛选框架之后,我们首先比较了七种候选算法的预测性能,以选出最适合后续可解释性分析与中介效应分析的模型。在80/20训练-测试划分、10折交叉验证以及贝叶斯超参数优化的统一设定下(表S3),XGBoost取得了最高的整体准确率与稳定性(测试集R2值为0.916±0.024,RMSE值为41.37±6.84 mL CH4·g?1 VS,见图2)。
结论
本研究构建了一个基于路径意识的材料–微生物–甲烷框架,用于解释和预测零价铁如何调控厌氧消化过程中的甲烷生成。该框架基于一个整合了零价铁材料参数、操作条件、细菌门类、甲烷生成功能群以及累计甲烷产量数据的跨研究数据库。该框架并非直接将可控输入与甲烷产出对应起来,而是结合了多模型对比、选定的累计甲烷产量预测模型等方法。
与本文相关的材料,包括预测模型及图形用户界面应用程序,均可在开放科学框架平台上获取(https://osf.io/pxjru/overview?view_only=b9b5b5720966422685d1c52ecd530bdf;可查看“概览”与“文件”选项卡)。
资金支持
本研究得到了中国国家重点研发计划(2021YFA1201703)、江苏省自然科学基金(BK20220070)、南京大学AI与AI for Science项目(021114380230)以及国家自然科学基金(22406086)的资助。
作者贡献声明
欧泽宇:数据整理、研究实施、方法设计、初稿撰写、审稿与修改。徐辉:数据整理、研究实施、方法设计、初稿撰写、审稿与修改。张艳阳:方法设计、审稿与修改。张庆然:方法设计、审稿与修改。吕璐:方法设计、审稿与修改。张伟明:模型验证。潘炳才:模型验证。华明:概念构思、资金申请、研究实施。
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
致谢
本研究得到了中国国家重点研发计划(2021YFA1201703)、江苏省自然科学基金(BK20220070)、南京大学AI与AI for Science项目(021114380230)以及国家自然科学基金(2022406086)的资助。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号